近红外光谱（Near infrared spectroscopy,NIRS）技术是一种被广泛研究并应用的无损检测技术,利用该技术可对水果内部品质进行快速分析,从而提高我国水果出口质量、规模和国际竞争力。但光谱仪的内部硬件差异、检测环境温度差异以及水果采集年份或产地不同等情况均会对模型预测结果产生影响,导致基于主仪器光谱建立的模型直接用于其他从仪器时预测性能下降。因此,为实现保证模型精度的同时节约建模成本,模型需要进行标准化处理,以增强模型稳健性,这是NIRS技术在实际应用中迫切需要得到解决的问题。而模型传递（模型转移）便是用于处理该问题的主要方法。本论文以苹果和芒果为研究对象,提出了一种基于模型传递的新的波段筛选算法,开展了新算法对改善传递模型鲁棒性的研究。主要研究结果包括:第一、基于当下模型传递领域波段筛选问题,提出了一种基于模型传递的相对误差分析（Relative error analysis,REA）波段筛选方法。REA通过筛选主、从仪器间光谱响应一致且稳定的波段并用于模型传递,从而实现在传统模型传递算法的基础上进一步优化转移的效果。REA方法以各波段的平均相对误差（Mean Relative Error,MRE）为筛选依据,能有效判别出主、从仪器间信号响应一致的波段,剔除响应差异较大的波段,从而达到修正模型的目的。本论文以苹果和芒果实验数据作为近红外光谱分析对象,采用有标样模型传递算法和无标样模型传递算法进行校正,来验证REA算法的通用性。第二、基于苹果和芒果可溶性固形物含量（Soluble solids content,SSC）预测模型在仪器间的模型传递,采用波段筛选算法与有标样模型传递算法结合的优化策略。本论文主要利用分段直接校正（Piecewise direct standardization,PDS）、斜率/截距校正（Slope/bias correction,SBC）和光谱空间变换（Spectral Space Transformation,SST）三种有标样模型传递算法对模型进行校正,并分别结合REA,竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling,CARS）、连续投影算法（Successive projections algorithm,SPA）和无信息变量消除算法（Uninformative variables elimination,UVE）四种波段筛选方法。结果表明,SST与REA结合后,苹果和芒果的SSC检测模型的预测性能均得到大幅提升,预测均方根误差（Root mean square error of prediction,RMSEP）分别从1.109和2.433下降至0.625和1.220,预测相关系数Rp分别从-0.563和0.470提升至0.735和0.897。因此,REA与有标样模型传递算法结合的策略,能够有效实现芒果SSC预测模型在近红外设备间的转移。第三、基于苹果产地无损检测模型在仪器间的模型传递,采用波段筛选算法与无标样模型传递算法结合的优化策略。本论文引入三种迁移成分分析（Transfer components analysis,TCA）,均衡分布自适应（Balanced distribution adaptation,BDA）算法和嵌入式流形分布对齐（Manifold embedded distribution alignment,MEDA）进行无标样模型传递,并分别结合四种波段筛选算法（REA,CARS,SPA和UVE）对传递模型进行优化。结果表明,MEDA与REA结合后对传递模型的校正效果最好,模型准确度从84.45%提升至94.54%,这一结果与模型在原始平台的检查结果（准确度为96.22%）非常接近。因此,REA能够一定程度改善无标样模型传递的校正性能,该方法有望推广应用至近红外便携式仪器的模型传递中,推动NIRS分析技术的在无损检测领域的快速发展。